最大熵重建的迭代凸I投影算法

本文探讨了用迭代凸Ｉ投影（ＩｔｅｒａｔｉｖｅＣｏｎｖｅｘＩ－Ｐｒｏｊｅｃｔｉｏｎ，ＩＣＩＰ）算法求解最大熵Ｘ－ＣＴ重建问题．其思路是将这个复杂问题转化为多个简单子问题，然后迭代地求解这种单约束子问题．理论证明，这种算法收敛并能收敛到问题的最大熵解．这种算法形式优美，仿真结果表明算法同时也是有效的．     

一种放射CT重建的鲁棒估计算法

放射CT的重建问题可以归结为一种基于泊松分布的最大似然估计（MuxnimumLikelihood,ML），其中最著名的如EM算法[1]，这种算法存在的问题是鲁棒性不强，当观测数据中存在一些出格点（outlier）（如2％）时，EM算法的性能就变得很差。本文分析了算法性能变差的原因，将泊松分布近似为高斯分布后，仿照鲁律估计中的M-估计，构造了一种鲁棒性很强的EM改进算法。实验结果表明，即使在投影数据中混有10％的出格点，仍能重建出满意的结果来。     

向量优化为基础的图像空间迭代重建理论及实现

本文研究了单准则及多准则迭代图像重建理论及计算机实现.结果表明了多准则迭代图像重建在重建图像质量方面优于流行的单准则迭代重建方法,显示了多准则法的优点.     

微波断层成像全局优化重建方法

本文提出了一种类似于禁忌搜索（TABU search)、但不设禁忌列表（TABUlist)的全局优化方法重建微波断层图像。微波断层成像是将微波作为入射波照射介质目标物，根据目标物周围接收器检测到的散射数据重建目标物截面的复介电率图像。它属于非线性、非适应性的逆散射问题，因而难于求其解。本文应用矩量法将积分方程转化为矩阵方程，根据最小二乘准则，视重建过程为最小化目标函数的过程迭代求解。简单 模型的数值模拟结果证明了这种方法的可行性和有效性。     

磁共振成像中磁场不均匀性的计算机模拟技术

本文提出了一种在不均匀场中对磁共振成进行计算机模拟的技术以及图像恢复算 磁场以及梯度场的误差场分布可以是任意的,计算机模拟的结果表明了这一算地于模拟有误差场存在时的傅里叶－轭式断层成像和自旋卷绕法成像都是非常有效的。     

基于广义径向基函数神经网络的非线性时间序列预测器

该文对传统的径向基函数(RBF)神经网络的结构和学习算法进行了总结,并在此基础上提出了广义径向基函数模型概念,使这种网络具有更好的应用灵活性与可扩充性。文章基于Mackey-Glass造血模型方程的数值解数据,对此广义模型与现有的RBF模型和梯度径向基函数(GRBF)模型对非线性时间序列预测问题的应用结果进行了比较与讨论,显示出这种广义模型的应用有效性。     

一种约束最小模方估计的图像迭代重建算法

较少投影重建问题一直是成像领域研究的重点，传统的卷积反投影(CBP)不能产生满意的重建图像——伪影严重、误差大，而迭代算法却具有一些较好的特性。本文以CT成像为基础，以最小模方为目标函数提出了一种约束迭代重建算法，本算法与无约束迭代算法相比，在花费相同时间的情况下，可以重建出误差更小，拟合度更高的图像。以扇束扫描投影数据重建的结果验证了本文的结论。     

基于AR模型的最大熵磁共振成像重建算法

本文提出了一种基于ＡＲ模型的磁共振成像算法，通过所获得的自回归系数及线性预测误差，替代了传统的快速傅里叶（ＦＦＴ）重建方法，获得了满意的重建图像，由于在实际系统中，只能得到有限的频谱数据，利用传统的ＦＦＴ方法重建磁共振图像，将导致截断伪影和低的分辨率。本算法利用ＡＲ模型外推未知频谱数据，替代ＦＦＴ方法的填零法重建，并利用ＢＵＲＧ算法中的ＡＲ模型参数计算的有效性，不仅消除了截断伪影，抑制噪声提高了分     

多准则图像重建的神经网络实现

本文提出一种以多目标优化理论为基础的神经网模型。它在多目标决策理论框架下学习和自适应,并具有鲁棒性、容错能力和快速收敛特性。这一模型应用於多准则图像重建的并行实现。计算机模拟结果表明了它的功效。     

基于广义径向基函数神经网络的非线性时间序列预测器

该文对传统的径向基函数（ＲＢＦ）神经网络的结构和学习算法进行了总结,并在此基础上提出了广义径向基函数模型概念,使这种网络具有更好的应用灵活性与可扩充性。文章基于Ｍａｃｋｅｙ－Ｇｌａｓｓ造血模型方程的数值解数据,对此广义模型与现有的ＲＢＦ模型和梯度径向基函数（ＧＲＢＦ）模型对一笥时间序列预测问题的应用结果进行了比较与讨论,显示出这种广义模型的应用有效性。